一种基于局部保留投影的高光谱图像稀疏表示分类方法.pdf
猫巷****奕声
亲,该文档总共15页,到这已经超出免费预览范围,如果喜欢就直接下载吧~
相关资料
一种基于局部保留投影的高光谱图像稀疏表示分类方法.pdf
本发明公开了一种基于局部保留投影的高光谱图像稀疏表示分类方法,包括:获取高光谱图像信息构建邻接图,计算邻接图中边的权重,结合权重信息进行特征映射获得投影变换矩阵;应用局部保留投影算法,将原始高光谱图像投影至低维度的流形子空间;采用稀疏表示分类模型对投影后的图像数据进行分类得到分类结果图像。该方法首先使用局部保留投影算法降低了原始数据的维度,保留了图像的邻域细节信息,避免冗余信息对稀疏表示产生的误差和干扰,最后稀疏表示分类模型的引入完成了对投影后的图像的分类。本方法提高了局部保留投影对于特征响应的能力,增强
一种基于边缘保留滤波的CNN高光谱图像分类方法.pdf
本发明公开了一种基于边缘保留滤波的CNN高光谱图像分类方法,为了增强分类效果,采用边缘保留滤波进行空间特征提取。同时,为了解决分类样本不均衡的特征,改变了原有的损失函数,增大样本数比较少的分类惩罚力度,进一步提高了分类效果。
基于语义保留的对抗混合半监督高光谱图像分类方法.pdf
本发明涉及一种基于语义保留的对抗混合半监督高光谱图像分类方法,所述方法在训练阶段包括以下步骤:步骤1、通过特征提取网络对有标签样本进行特征提取;步骤2、通过所述特征提取网络对从样本集中随机抽取的两个无标签样本进行特征提取,将所提取的两个无标签样本的特征混合后送入重构网络;步骤3、通过所述重构网络重构样本,将重构的样本送入对抗语义还原网络;步骤4、通过联合损失函数来优化特征提取网络、重构网络和对抗语义还原网络的参数。所述方法在测试阶段包括以下步骤:步骤5、将需要分类的高光谱图像的无标签样本送入所述特征提取网
基于局部自适应判别分析的高光谱图像分类方法.pdf
本发明提供了一种基于局部自适应判别分析的高光谱图像分类方法(LADA)。首先,构造得到局部自适应相似度权重矩阵,来度量高光谱数据光谱通道特征的相似度;然后,分别计算类内散度矩阵和类间散度矩阵,并利用测试集像素小空间邻域的像素点构建正则化散度矩阵,以最大程度保留空间邻域信息;接着,用正则化线性判别分析的思想,引入正则化单位矩阵,迭代求解转化矩阵的解析解,避免病态问题,并避免过度降维问题;最后,利用降维后特征进行分类并计算分类精度。由于降维后的低维特征包含丰富的光谱与空间信息,在数据分布不可知的情况下仍可得到
基于结构稀疏表示的光谱图像稀疏重建的中期报告.docx
基于结构稀疏表示的光谱图像稀疏重建的中期报告一、研究背景与意义现代工业中,光谱图像已广泛应用于无损检测、化学成分分析等领域。在信号处理中,稀疏表示已成为一种有效的信号表示方法,可以用较少的非零系数表示原信号,具有重建精度高、抗噪声性能强等优点。结合稀疏表示和光谱图像处理,可以实现对光谱图像的高效处理和分析,并取得良好的效果。因此,基于结构稀疏表示的光谱图像稀疏重建技术具有重要的研究意义和实际应用价值。二、研究现状目前,光谱图像稀疏表示和重建的研究较为广泛,主要涉及到以下方面:1.基于压缩感知理论的光谱图像